Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Appendice C. Altre considerazioni e metodi importanti
Questa guida illustra i modi più pratici ed efficaci per accertare misure affidabili di incertezza. Affronta anche alcune delle principali patologie come la out-of-distribution degenerazione e l'eccessiva sicurezza deterministica. Altre tecniche recenti includono la quantificazione deterministica dell'incertezza (DUQ) (van Amersfoort et al. 2020) e la normalizzazione in batch del tempo di previsione (Nado et al. 2020).
DUQs sono un nuovo tipo di classificatore di deep learning che non utilizza la tradizionale funzione softmax. DUQs Fornisci invece un'incertezza affidabile per i dati. out-of-distribution DUQs genera un vettore, f (x), che viene trasformato da una matrice di pesi specifica della classe, Wc, per la mappatura su un vettore di caratteristiche. La distanza tra questo vettore di caratteristiche e i centroidi appresi (un centroide per ogni classe) rappresenta le incertezze corrispondenti. La distanza dal baricentro più vicino è considerata l'incertezza predittiva. I vettori di caratteristiche sono in grado di mappare out-of-distribution dati lontani dai centroidi regolarizzando la fluidità del modello. Il nuovo metodo di regolarizzazione regola la fluidità in modo che le variazioni di output coincidano con le variazioni di input, senza modificare così tanto da compromettere la generalizzazione. DUQs sono un nuovo modo promettente per modellare l'incertezza e forniscono un'alternativa agli insiemi profondi per un'incertezza affidabile nelle impostazioni. out-of-distribution Per i dettagli, consulta le pubblicazioni nella sezione Riferimenti.
Un altro metodo degno di nota è la normalizzazione in batch in tempo di previsione per garantire la out-of-distribution robustezza (Nado et al. 2020). Questa tecnica richiede solo poche righe di codice per essere implementata e afferma di migliorare l'affidabilità dell'incertezza con i out-of-distribution dati in un modo complementare agli insiemi profondi. Un avvertimento interessante rispetto a questo metodo è che la qualità dell'incertezza in realtà degenera nelle impostazioni di pre-allenamento, il che solleva interrogativi per le attività future.
